cybersecurity
Oltre il perimetro di rete: quando i canali laterali fisici riscrivono le regole della privacy e della sicurezza
Dai magnetometri degli smartphone sui treni elettrici ai segnali CAN dei veicoli, fino alla memoria viva delle GPU che eseguono LLM: la sicurezza non si ferma più al firewall. Le emanazioni fisiche tradiscono segreti che la crittografia protegge solo in teoria.
Pubblicato il
La narrazione dominante in cybersecurity continua a ruotare attorno a perimetri logici: firewall, zero trust, gestione delle identità, patch management. Ma mentre i CISO italiani discutono di microsegmentazione e identity fabric, una classe di attacchi sta maturando in silenzio fuori dallo stack TCP/IP. Non sfruttano vulnerabilità software, non richiedono phishing né credential stuffing. Leggono semplicemente la fisica: campi magnetici generati da motori elettrici, emissioni radiofrequenza di navi in mare, segnali elettrici sul bus CAN di un'auto, stati residui nella memoria video di una GPU che sta inferendo un modello linguistico.
Questi canali laterali fisici — side-channels nel linguaggio accademico — non sono una novità teorica. La letteratura li studia da decenni. Ciò che cambia oggi è la convergenza di tre fattori: la pervasività di sensori ad alta risoluzione in dispositivi consumer (smartphone, auto connesse, GPU), la disponibilità di modelli ML capaci di estrarre segnale dal rumore, e l'espansione di infrastrutture critiche che emettono informazioni fisiche senza controlli adeguati. Per un'azienda italiana che gestisce flotte, infrastrutture portuali, impianti industriali o servizi AI, il perimetro di sicurezza si è appena allargato fino a includere lo spettro elettromagnetico e la memoria fisica dei silici.
Il treno che ti segue a casa: magnetometri e privacy nei trasporti
Un gruppo di ricercatori ha dimostrato che il magnetometro integrato negli smartphone — quel sensore che serve per la bussola e che le app possono leggere senza chiedere permessi espliciti — basta a identificare se l'utente si trova su un treno elettrico e, cosa più inquietante, se un'altra persona nota viaggia sullo stesso convoglio (On the Same Track: Privacy Leaks in Electric Rail Transport via Magnetic Fields). Lo studio, condotto su 217 viaggi reali, mostra che i campi magnetici generati dall'infrastruttura ferroviaria (catenarie, motori, sistemi di frenatura rigenerativa) creano una firma spaziotemporale unica per tratta e per singolo treno.
L'attacco si articola in due fasi: transport mode detection (riconoscere che l'utente è su un treno elettrico) e colocation prediction (inferire che due dispositivi condividono lo stesso ambiente magnetico, quindi lo stesso vagone). Entrambi funzionano senza GPS, senza accesso a reti cellulari, senza permessi di localizzazione. Il magnetometro è un sensore "passivo" che i sistemi operativi mobili trattano come innocuo; lo studio argomenta che dovrebbe richiedere consenso esplicito, al pari di microfono e posizione.
Per le imprese italiane che gestiscono personale viaggiante, dipendenti in smart working su tratte pendolari, o semplicemente dirigenti che si spostano in treno tra Milano, Roma e Torino, la lezione è immediata: la riservatezza delle conversazioni, la geolocalizzazione degli incontri, persino la co-presenza con controparti sensibili possono essere ricostruite da un'app qualsiasi installata sullo smartphone di un passeggero ignaro. Non serve malware: basta un SDK pubblicitario che campioni il magnetometro a 50 Hz.
L'auto che non dimentica: ricostruzione traiettorie da segnali CAN
Se il treno tradisce i passeggeri via magnetismo, l'automobile privata tradisce il conducente via bus CAN. La ricerca CANTraj pubblica un dataset naturalistico di 3.940 viaggi (454 conducenti, 85.919 km) accoppiando segnali CAN decodificati — velocità, sterzo, eventi di guida — con traiettorie GNSS time-aligned (CANTraj: Recovering Vehicle Trajectories from CAN Signals in Naturalistic Driving). L'obiettivo dichiarato è benchmarkare attacchi di route inference: dimostrare che rimuovere le coordinate GPS dai log non cancella l'informazione di posizione.
I risultati sono netti. Con partenza e heading noti, aggiungere lo sterzo alla velocità porta il route recovery online a 5 minuti dal 56% all'87%, con errore mediano di spostamento di 43 metri contro 921 metri del dead reckoning puro. Una ricerca a fascio (beam search) offline recupera l'88% delle tratte con heading noto e l'81% senza. Un ensemble basato su LLM che seleziona tra candidate routes raggiunge il 79% su test set e l'83% in few-shot, superando i migliori baseline.
Il contesto italiano rende questo tema urgente. Il mercato assicurativo usage-based (UBI) e i programmi di open driving data spingono per raccolta massiva di telemetria veicolare, spesso venduta come "anonimizzata" perché priva di GPS. CANTraj dimostra che l'anonimato è illusorio: il bus CAN è un'impronta digitale della traiettoria. Per flotte aziendali, servizi di car sharing, logistica just-in-time, la condivisione di dati CAN con terze parti — assicuratori, broker dati, municipalità — equivale a consegnare l'agenda degli spostamenti, i clienti visitati, i tempi di sosta. La conformità GDPR richiede di trattare questi segnali come dati di localizzazione a tutti gli effetti, con tutto ciò che ne consegue: minimizzazione, finalità, conservazione limitata, DPIA.
Il mare che parla: fusione AIS/RF e sorveglianza marittima
Dalla terra al mare, la fisica delle emissioni radiofrequenza riscrive la sorveglianza marittima. Il sistema AIS (Automatic Identification System) è obbligatorio per le navi oltre una certa stazza, ma è notoriamente vulnerabile: spegnibile, spoofabile, manipolabile. Le osservazioni RF spaziali — satelliti che ascoltano emissioni radio non cooperative — offrono una fonte indipendente, ma non identificano la nave: vedono solo un'emissione, non sanno chi la emette (Pairing AIS with RF: Analysis of a Markovian Approach for Maritime Data Fusion).
Lo studio applica un Pair Hidden Markov Model (PHMMM) per allineare detezioni RF individuali a traiettorie AIS, modellando rumore e discrepanze temporali. Su dati NOAA con RF sintetico, un log-odds score che confronta il modello completo con un modello nullo raggiunge precisione 0.8580 e AUC 0.852 nel rilevamento di dark vessels (navi che non trasmettono AIS o lo fanno in modo incoerente). Un baseline nearest-neighbor time-weighted senza training rimane superiore (precisione 0.9013, AUC 0.904), suggerendo che la fisica del problema — propagazione RF, geometria orbitale — domina ancora sulla sofisticazione del modello.
Per l'Italia, nazione peninsulare con 8.000 km di coste, porti strategici (Gioia Tauro, Genova, Trieste, Taranto), infrastrutture energetiche offshore e traffico mercantile critico per il PIL, la fusione AIS/RF non è accademia: è domain awareness operativo. La capacità di correlare emissioni RF anomale con traffico AIS manipolato permette di rilevare contrabbando, pesca illegale, violazioni di zone economiche esclusive, minacce a cavi sottomarini e pipeline. Ma la stessa tecnica, nelle mani di attori ostili, permette di tracciare navi militari, scorte energetiche, movimenti logistici sensibili. La lezione per i security manager: le emissioni RF non cooperative sono un side-channel bidirezionale. Chi opera in mare — commerciale, energetico, governativo — deve assumere di essere osservato passivamente dallo spazio e valutare contromisure (emission control, decoy, scheduling) non più come opzionali.
La memoria viva della GPU: forensics in tempo reale su LLM
L'ultimo fronte fisico non è né trasportistico né marittimo: è il silicio che esegue l'intelligenza artificiale. La memoria forense tradizionale su sistemi ML mira ad artefatti statici: pesi del modello, log dei prompt. Ma lo stato computazionale transitorio di un'inferenza live — gli hidden states residual-stream layer per layer — contiene informazione comportamentale che i log non catturano (From Bytes to Behavior: Request-Level Attribution from Live GPU Hidden States).
I ricercatori presentano un metodo per acquisire attivazioni per-layer da un processo GPU vivo usando un debugger non modificante, senza richiedere conoscenza preventiva di architettura o pesi. Il processo a sei stadi con adapter platform-specific usa un clock dell'allocatore PyTorch o un clock di kernel-launch per identificare e leggere allocazioni tensoriali dalla VRAM. Validato su 33 modelli decoder-only open-source in nove classi architetturali, i byte recuperati sono byte-exact e utilizzabili per analisi downstream. Come caso d'uso, sonde lineari addestrate su attivazioni standard distinguono refusal da compliance con AUROC 0.88 su prompt held-out.
L'implicazione per la sicurezza aziendale è profonda. Se un servizio LLM in produzione — che sia un chatbot customer-facing, un copilot interno, un agente RAG su dati sensibili — gira su GPU accessibili (bare metal, VM con GPU passthrough, container con device plugin), un attore con accesso al host o al hypervisor può osservare cosa il modello sta pensando richiesta per richiesta. Non i pesi (quelli sono statici), ma la rappresentazione interna del prompt dell'utente, il ragionamento intermedio, la decisione di rifiutare o obbedire. Questo apre scenari di model inversion laterale, estrazione di prompt sensibili (es. query su dati medici, legali, strategici), profiling comportamentale degli utenti, rilevamento di backdoor trigger attivi.
Per le imprese italiane che stanno deployando LLM su infrastruttura propria (on-prem, colocation, sovereign cloud), la lezione è: la VRAM è un side-channel. L'isolamento hardware (confidential computing, GPU con TEE come NVIDIA H100 CC, AMD SEV-SNP con GPU) non è più solo per protezione dei pesi — serve a proteggere lo stato cognitivo dell'inferenza. Chi usa API managed (OpenAI, Anthropic, Mistral, provider cloud) delega il rischio al fornitore, ma deve chiederne conto contrattuale: come viene isolata la VRAM tra tenant? Esistono audit di memory forensics sui nodi di inferenza?
Implicazioni per l'ecosistema italiano: dall'automotive alla difesa, il perimetro è fisico
Quattro domini — ferrovia, automotive, marittimo, AI compute — convergenti verso una stessa conclusione: l'informazione fuoriesce dove la fisica lo permette, non dove la policy lo autorizza. Per il sistema paese Italia, le implicazioni si articolano su tre livelli.
Livello regolatorio. Il GDPR articolo 4 definisce dato personale "qualsiasi informazione riguardante una persona fisica identificata o identificabile". Magnetometro, bus CAN, emissioni RF, stati GPU: tutti producono informazioni che rendono identificabili persone, veicoli, navi, processi decisionali AI. Il Garante Privacy e l'ACN dovrebbero emettere linee guida esplicite su physical side-channels come categoria di trattamento dati, imponendo DPIA per sistemi che emettono o raccolgono tali segnali su scala (es. app che campionano magnetometro, piattaforme UBI, servizi AI inference).
Livello industriale. Settori chiave del made in Italy — automotive (Stellantis, supply chain componentistica), navalmeccanica (Fincantieri, cantieri minori), logistica portuale, energia (Terna, Snam, Enel offshore), difesa (Leonardo, MBDA, Elettronica) — devono integrare emission security (EMSEC) nei requisiti di sicurezza by design. Non basta cifrare il canale logico: serve controllare cosa emette il canale fisico. Standard come TEMPEST/NATO SDIP, finora riservati al militare, diventano rilevanti per infrastrutture critiche civili e per prodotti consumer connessi.
Livello operativo. I SOC aziendali devono estendere la threat surface oltre log di rete, endpoint, cloud. Servono sensori per anomalie RF (SDR distribuiti presso siti sensibili), monitoraggio di accessi a sensori mobile (magnetometro, barometro, prossimità) via MDM/UEM, audit di condivisione dati CAN/telematica con terze parti, isolamento hardware per carichi AI sensibili. La formazione del personale — non solo tecnico, ma dirigenziale e legale — deve includere la consapevolezza che la fisica non rispetta i firewall.
La cybersecurity italiana ha vinto molte battaglie sul piano logico: patch management, MFA, segmentazione, backup immutabili. La prossima guerra si combatte nello spettro elettromagnetico, nel bus di campo, nella memoria video. Chi non estende il perimetro alla fisica, difende solo l'ombra del sistema — non il sistema stesso.
Fonti
- https://arxiv.org/abs/2611.18563v1
- https://arxiv.org/abs/2611.18463v1
- https://arxiv.org/abs/2611.18449v1
- https://arxiv.org/abs/2611.18442v1
- https://arxiv.org/abs/2611.18363v1
- https://arxiv.org/abs/2611.18358v1
- https://arxiv.org/abs/2611.18355v1
- https://arxiv.org/abs/2611.18312v1
- https://arxiv.org/abs/2611.18293v1
- https://arxiv.org/abs/2611.18272v1
Altre letture
- Il perimetro invisibile: quando badge, termostati e colonnine di ricarica diventano un unico vettore d'attacco Le advisory CISA di fine settembre rivelano una convergenza critica: sistemi di controllo accessi fisici, building automation, ricarica EV e protezione della rete elettrica condividono vulnerabilità simili. La segmentazione IT/OT non basta più.
- Il crollo del confine IT/OT: vulnerabilità di rete, accesso remoto e SCADA creano una kill chain unificata Le ultime settimane rivelano un pattern allarmante: firewall, VPN, switch industriali e piattaforme SCADA colpiti simultaneamente. La distinzione tra sicurezza IT e OT non regge più di fronte a una superficie d'attacco convergente.
- Cybersecurity 2026: Difese Cyber-Fisiche Ibride, Sicurezza per Robotica Industriale e Protezioni Bio-Digitali – Le Tendenze che Blindano il Futuro Nel 2026, la cybersecurity evolve verso difese ibride contro attacchi cyber-fisici, sicurezza avanzata per cobots industriali e contromisure per minacce bio-digitali. Queste tendenze, emerse da recenti discussioni su X, ridisegnano la protezione delle infrastrutture critiche. Per le aziende italiane, adottarle significa garantire resilienza in un panorama minacciato.